Bioinformatika (bahasa Inggris: bioinformatics)
adalah (ilmu yang mempelajari) penerapan teknik komputasional untuk mengelola
dan menganalisis informasi biologis. Bidang ini mencakup penerapan
metode-metode matematika, statistika, dan informatika untuk memecahkan
masalah-masalah biologis, terutama dengan menggunakan sekuens DNA dan asam
amino serta informasi yang berkaitan dengannya. Contoh topik utama bidang ini
meliputi basis data untuk mengelola informasi biologis, penyejajaran sekuens
(sequence alignment), prediksi struktur untuk meramalkan bentuk struktur
protein maupun struktur sekunder RNA, analisis filogenetik, dan analisis
ekspresi gen.
Jurnal 1 : SEGMENTASI PENYAKIT PADA CITRA DAUN
TEBU MENGGUNAKAN FUZZY C MEANS – SUPPORT VECTOR MACHINE DENGAN FITUR WARNA a*
Pendahuluan
Penyakit yang
menyerang tebu di Indonesia dapat menurunkan produktivitas. Penyebaran penyakit
tebu menyebabkan dampak penurunan ekonomi yang kuat karena berdampak pada
jumlah penurunan panen. Selain masalah umum tersebut penanganan penyakit tebu
perlu segera dideteksi dan diatasi untuk mengurangi biaya penggunaan pestisida
dan pencemaran lingkungan akibat obat penyakit tersebut . Penyakit pada tanaman
tebu dapat diketahui dari bercak yang terdapat pada bagian daun. Bercak
tersebut perlu dideteksi dengan menggunakan metode segmentasi.
Penelitian
penyakit pada daun tebu dilakukan oleh Patil. Penyakit ini menjelaskan pengaruh
jamur pada tebu menjadi penyakit yang jika tidak diatasi tepat waktu dapat
menyebabkan kerugian. Penggunaan pestisida terlalu banyak dapat meningkatkan
biaya dan polusi lingkungan. Hal ini dapat diperoleh dengan mengetahui daerah
penyakit, dengan kuantitas kesesuaian dan konsentrasi pestisida dengan
mengestimasi penyakit menggunakan teknik image processing. Metode thresholding
sederhana dan triangle thresholding digunakan untuk melakukan segmentasi daerah
daun dan daerah berpenyakit secara berturut-turut. Penyakit dikategorikan
dengan perhitungan hasil bagi daerah penyakit dan area keseluruhan daun. Hasil
akurasi pada penelitian ini adalah 98.60%. Penelitian ini mengindikasikan
metode usulan penyakit daun dilakukan secara kuat, cepat dan akurat. Metode ini
mengeliminasi cara tradisional yang subjektif dan rawan akan kesalahan manusia.
Penelitian ini
bertujuan untuk membangun sistem yang secara otomatis mampu melakukan
segmentasi citra daun tebu berpenyakit dengan metode FCM-SVM. SVM mendapatkan
inputan data training dari metode FCM, untuk kemudian dilajutkan dengan
klasifikasi data testing. Pengujian kuantitatif metode segmentasi ini dilakukan
dengan akurasi segmentasi. Dengan penggabungan metode FCM-SVM diharapkan daun
tebu berpenyakit dapat disegmentasi dengan baik dan menunjukkan karakteristik
penyakit dengan baik sehingga memudahkan proses lanjutan yaitu prediksi
penyakit pada tanaman tebu.
Bahan dan Metode
·
pengolahan ini akan memilih
bagian citra hanya pada bagian daun saja tanpa daerah sekitar yang bukan bagian
dari daun.
·
Metode
A. Dataset
Penelitian ini
menggunakan empat jenis penyakit yang ada pada daun tebu, yaitu yellow spot,
rust spot, ring spot, dan eye spot. Penyakit yellow spot pada citra daun tebu
disebabkan oleh salah satu jenis jamur yang disebut dengan mycovellosiella
koepki. Yellow spot berakibat pada penurunan hasil panen dan kadar sukrosa
tanaman tebu. Penyakit ini akan semakin menyebar dan merugikan dengan kondisi
kelembapan dan curah hujan yang tinggi.Sindrom penyakit ini pada awalnya
mempunyai diameter sepanjang 1-2 mm. Warna penyakit ini mulai dari kuning sampai
dengan merah, selain itu pada bagian bawah daun terdapat kabur keabu-abuan.
B. Ekstraksi Fitur Warna
Fitur warna pada
penilitian ini akan menggunakan warna dasar citra berdasarkan hasil pemotretan
di lapangan yang dikonversi ke dalam channel L*a*b*. Ruang warna tersebut
adalah RGB. Selanjutnya color space tersebut akan dikonversi menjadi color
space CIELAB (L*a*b*). Channel L* mendefinisikan lightness, a* mendefinisikan nilai
red/green, dan b* mendefinisikan nilai yellow/blue. Sumbu a* digambarkan dari
arah kiri ke kanan.
Pergeseran ke
arah positif menggambarkan pergeseran ke arah warna merah. Sedangkan sumbu b*
yang digambarkan dari bawah ke atas. Pergeseran ke arah positif merupakan
pergeseran ke warna kuning. Pusat diagram tersebut merupakan L* yang
menunjukkan L=0 untuk daerah total penyerapan (bagian bawah), dan di daerah
sekitar tengah
menunjukkan warna netral atau abu-abu. Perumusan untuk mendapatkan color space
L*a*b* didapatkan pada persamaan (1). Dari nilai RGB terlebih dahulu dikonversi
pada XYZ. Dimana X, Y dan Z nilai referensi warna putih untuk pencahayaan yang
digunakan sesuai keputusan pengamat.
C. Fuzzy
C-Means
FCM adalah salah
satu jenis metode yang digunakan untuk membagi-bagi kelas suatu data secara
tidak terawasi (unsupervised). Metode ini memperhitungkan tiap data pada
klaster untuk berada sesuai derajat keanggotaannya. Metode ini diawali dengan
penentuan pusat klaster, kemudian pusat klaster dan derajat keanggotaan
tersebut akan diperbaharui setiap iterasi secara berulang. Proses perulangan
ditentukan dengan meminimalkan fungsi objektif
yang merupakan
penggambaran jarak dari posisi data yang diuji dengan pusat klaster yang sudah
terboboti oleh derajat keanggotaan data uji.
D. Support Vector Machine
SVM merupakan
sebuah teknik klasifikasi yang muncul pada tahun 1995. Banyak bidang yang telah
mengimplementasikan metode ini seperti bidang ekonomi, cuaca, kedokteran, dll.
SVM menemukan solusi secara global optimal dan solusi training yang sama jika
dibandingkan dengan metode klasifikasi lain. Untuk melakukan proses klasifikasi
menggunakan SVM, dibutuhkan suatu pemisah yang dapat dibagi menjadi dua macam.
Pemisah tersebut dapat berupa fungsi linear ataupun non linear. Fungsi linear
didefinisikan pada persamaan (6). Pada fungsi linier ditentukan pemisah
(hyperplane) yang memisahkan dua macam objek saja. Hyperplane yang memisahkan dua
objek tersebut mengalami solusi yang terbaik di saat posisi berada di tengah
kedua objek.
Kesimpulan
Penggunaan fitur warna channel a
dari colorspace L*a*b* membantu metode yang ada pada skenario penelitian ini
melakukan segmentasi dengan baik dibandingkan dengan channel RGB, B, atau I.
Penggunaan dua metode dalam segmentasi, yaitu metode klastering FCM dan metode
klasifikasi SVM mampu melakukan segmentasi pada citra daun tebu berpenyakit
dengan akurasi rata-rata 76%. Metode segmentasi FCM-SVM mampu mensegmentasi citra
daun tebu berpenyakit dengan akurasi tertinggi pada sebagian besar data uji
coba (15 citra pada total 30 citra). Segmentasi penyakit pada citra daun tebu
menggunakan metode FCM-SVM mampu mengatasi terutama untuk jenis penyakit yang
mempunyai proyeksi warna kekuningan atau kecoklatan di sekitar daerah penyakit.
Jurnal 2 : Ekstraksi Connected Component dan
Transformasi Ruang Warna CIELAB Untuk Segmentasi Citra Penyakit Pada Daun
Tanaman Jagung
Pendahuluan
Bagian daun yang terinfeksi oleh
penyakit mampu dideteksi secara kasat mata, namun hal tersebut harus diuji di
laboratorium. Penanganan untuk kegiatan di laboratorium dapat terbantu melalui
bantuan secara bioinformatika pada ilmu visi komputer, sebuah daun harus
mendapatkan perlakuan khusus supaya bagian daun yang terinfeksi penyakit mampu
diketahui lokasinya dengan tepat. Segmentasi citra merupakan langkah yang tepat
untuk mengatasi permasalahan tersebut. Hal tersebut cukup beralasan karena
segmentasi citra mampu mengidentifikasi piksel-piksel yang berbagi karakteristik
visual tertentu secara khusus.
visi computer terutama pada
lingkup penerapan segmentasi terhadap objek penyakit yang terdapat pada daun
tumbuhan. Kontribusi untuk kegiatan penelitian ini adalah memberikan hasil
segmentasi yang sesuai dengan perspektif mata manusia sehingga objek penyakit
daun tanaman jagung yang tersegmentasi merupakan objek yang terdeteksi dengan
baik dan tepat. Tujuan jangka panjang penelitian ini adalah membangun tool
untuk diagnosa penyakit pada daun jagung, segmentasi yang dilakukan dapat
menjadi sebuah ekstensi bagi tool tersebut.
Bahan dan Metode
·
Metode Penelitian
a)
Akuisisi citra pada daun jagung
yang terinfeksi dengan kamera digital
b)
Proses pra-pengolahan untuk
penyeragaman dimensi gambar
c)
Transformasi ke ruang warna
CIELab untuk memperoleh chromatic warna dari objek penyakit
d)
binerisasi
e)
Proses pelabelan terhadap
piksel
Kesimpulan
Pengambilan citra penyakit dengan
menggunakan kamera, sering tidak berisi informasi karakteristik warna citra
dari perangkat yang digunakan sehingga berdampak pada hasilnya dimana nilai
piksel terlihat secara substansial berbeda dengan pada perangkat komputer. Berdasarkan
hasil penelitian yang telah dilakukan, transformasi warna RGB ke ruang warna CIELab
bersifat penting. Fitur biner merupakan bagian penting dilakukan untuk proses
pemisahan antara foreground dan background dimana kondisi nilai piksel ‘0’ untuk
background dan ‘1’ untuk foregraound hal ini tentunya memudahkan pengenalan
terhadap objekobjek yang merupakan bagian dari foreground dengan melakukan
pencarian (scanning) piksel menggunakan aturan 8 ketetanggan dan dilakukan pelabelan
pada piksel yang saling berhubunga sehingga memudahkan indetifikasi region yang
menjadi objek berdasarkan nilai area piksel terbesar. Untuk kegiatan
selanjutnya, segmentasi dilakukan dengan pendekatan otomatis atau dengan kata
lain tanpa melalui cropping dan pengelompokkan jenis penyakit pada daun tanaman
jagung tersebut.
Jurnal 3 : IDENTIFIKASI
PENYAKIT PADA DAUN TEBU DENGAN GRAY LEVEL CO-OCCURRENCE MATRIX DAN COLOR MOMENTS
Pendahuluan
Penelitian yang berkembang
mengenai identifikasi penyakit tanaman tebu saat ini berkembang dalam bidang
penginderaan jauh, sedangkan identifikasi penyakit tanaman melalui citra
digital daun belum ada yang membahas mengenai penyakit pada daun tebu oleh
karena itu penelitian ini membahas mengenai fitur yang tepat sehingga diharapkan
cocok penyakit pada daun tebu.
Terdapat perbedaan tekstur antara
daun normal, berpenyakit karat dan mosaik (Raid, 2006; Comstock, 2009) sehingga
perlu adanya ekstraksi fitur tekstur. Penelitian ini memilih gray level co-occurrence
matrix untuk fitur tekstur karena GLCM sebagai fitur untuk mengetahui tekstur
daun pernah dipakai untuk deteksi spesies tanaman dan menghasilkan akurasi yang
tinggi (Shabanzade, 2011), Kompleksitas tekstur citra sulit untuk didefiniskan
dan dikuantifikasi, namun GLCM bisa dipakai untuk mengkuantifikasi dan membandingkan
berbagai aspek tekstur citra (Honeycutt, 2008).
Penggunaan color moments untuk
warna karena terdapat perbedaan warna pada daun normal dan berpenyakit (Raid,
2006) dan (Comstock, 2009). Color moments merupakan metode ekstraksi fitur yang
efektif untuk analisis citra berdasarkan warna karena metode tersebut memiliki
dimensi vektor fitur yang paling rendah dan juga kompleksitas komputasional
yang paling rendah jika dibandingkan dengan metode lainnya seperti color
histogram, color correlogram dan color structure descriptor (Patil, 2011).
Beberapa penelitian untuk analisis penyakit tanaman melalui citra daun
menghasilkan hasil salah satunya (Daoliang Li, 2010) pada klasifikasi serat
kapas menggunakan nilai rata-rata dan standar deviasi RGB.
Bahan dan Metode
·
Tahap awal penelitian
adalah pengumpulan data citra daun tebu berpenyakit dari survei lapangan.
·
pre-processing citra untuk
dapat diolah pada tahap ekstraksi fitur
·
Citra yang ditangkap kamera
berada dalam format RGB
·
ruang warna yang digunakan
dalam penelitian ini diubah dari RGB ke La*b*
·
Pada tahap ekstraksi fitur,
fitur tekstur diekstraksi dengan GLCM dan fitur warna diekstraksi dengan color moments.
·
Penelitian ini menggunakan
metode support vector machine (SVM) karena SVM cocok untuk klasifikasi yang
datanya sedikit (Li, 2010). Selain itu SVM memberikan hasil akurasi yang tinggi
untuk analisis penyakit tanaman (Camargo, 2009b; Asraf, 2012). Pengujian
dilakukan untuk mengetahui fitur yang kemunculannya perubahan dalam hasil
klasifikasi.
Kesimpulan
Penghapusan fitur bentuk dapat
memperbaiki akurasi untuk identifikasi penyakit daun tebu karena bentuk kurang
dapat merepresentasikan pola penyakit pada daun tebu, sehingga fitur tekstur
dan warna dapat diusulkan menjadi fitur yang merepresentasikan penyakit daun
tebu. Pemilihan fitur GLCM untuk fitur tekstur yang berupa correlation, energy
homogeneity dan variance menghasilkan akurasi yang baik yaitu 90,33 %. Pemilihan
fitur color moments 1, 2 dan 3 untuk fitur warna lebih akurat dari fitur warna
menggunakan grey level dan histogram frekuensi dengan akurasi 96 %.
Kombinasi fitur tekstur dengan
GLCM correlation, energy, homogeneity, variance bersama fitur warna dengan
color moments 1,2 dan 3 merupakan kombinasi fitur yang direkomendasikan untuk
identifikasi penyakit pada daun tebu dan menghasilkan akurasi 97%. Penelitian
ini menggunakan metode klasifikasi support vector machine (SVM) dengan kernel
linear sehingga penelitian selanjutnya dapat meneliti metode klasifikasi yang
lebih baik, misalnya dengan modifikasi kernel maupun penggunaan metode klasifikasi
lain.
Perbandingan dari ketiga
jurnal di atas adalah :
Ketiga jurnal membahas tentang
bioinformatika dalam bidang pertanian. Jurnal pertama dan ketiga membahas tentang bioinformatika tentang identifikasi
penyakit pada daun tebu sedangkan pada jurnal kedua membahas tentang penyakit
pada daun jagung. Objek penelitian ini difokuskan pada daun yang terdapat
penyakit seperti bercak atau penyakit karat pada daun. Bahan pada ketiga jurnal
itu berbeda jenisnya. Metode yang digunakan juga berbeda antara jurnal satu
dengan yang lainnya, jurnal pertama menggunakan metode segmentasi FCM-SVM,
jurnal kedua menggunakan metode traansformasi ruang warna, dan jurnal ketiga
menggunakan metode Gray Level Co-occurrence Matrix (GLCM) dan Color Moments.
sumber :